Banca de DEFESA: ANDRE LUIZ BUARQUE VIEIRA E SILVA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: ANDRE LUIZ BUARQUE VIEIRA E SILVA
DATA : 19/12/2024
HORA: 09:00
LOCAL: Centro de Informática - Anfiteatro
TÍTULO:

Image-based Industrial Inspection in the Wild: A Perspective from 
the Power Transmission Industry

PALAVRAS-CHAVES:

Visão Computacional. Inspeção Visual Automatizada. 
Manutenção de Linhas de Energia. Inspeção Industrial. Detecção de 
Anomalias. Módulos de Atenção. Inspeção com VANTs.

PÁGINAS: 90
RESUMO:

A inspeção visual automatizada para identificação de defeitos em linhas de energia é essencial para garantir a confiabilidade e segurança da infraestrutura elétrica. Esta tese contribui para o campo ao propor novos datasets e métodos de detecção de anomalias direcionados para a inspeção de defeitos em ambientes não-controlados, "in-the-wild". Os datasets são o STN PLAD, InsPLAD-det, InsPLAD-fault e InsPLAD-seg, cada um desenvolvido para atender diferentes tarefas de Visão Computacional e variados aspectos da inspeção e detecção de defeitos em linhas de energia com base em imagens.
Essa pesquisa se inicia com a criação do dataset InsPLAD, que inclui mais de dez mil imagens de inspeção do mundo real de ativos de linhas de energia, capturadas por VANTs. Este dataset foi minuciosamente anotado para diversas tarefas: detecção de objetos (InsPLAD-det), classificação de falhas (InsPLAD-fault) e detecção e localização de anomalias (InsPLAD-fault & InsPLAD-seg). Estes datasets oferecem desafios variados de Visão Computacional em ambientes não-controlados, como objetos de múltiplas escalas, instâncias de classes de tamanhos variados, múltiplos objetos por imagem, variação intraclasse, fundos complexos, diferentes pontos de vista, distorção de perspectiva, oclusão e condições de iluminação diversas. O STN PLAD, um conjunto de dados menor, também é introduzido para proporcionar um desafio de detecção de objetos de múltiplos tamanhos em linhas de energia usando imagens de alta resolução.
Experimentos extensivos foram realizados utilizando métodos de detecção de objetos de última geração para avaliar seus desempenhos no InsPLAD-det, incluindo Faster R-CNN, SSD, YOLOv3, RetinaNet, Cascade R-CNN, TOOD e DetectoRS. Os resultados demonstram o desempenho superior do DetectoRS em termos das métricas Box AP e AP$^{75}$. Adicionalmente, o método MS-PAD é proposto, melhorando significativamente o desempenho de detecção para objetos menores, como os amortecedores Stockbridge no conjunto de dados STN PLAD.
Métodos populares de classificação de imagens, como EfficientNet, ResNet, ResNeXt, MLP-Mixer e Swin Transformer, foram avaliados para a classificação de falhas no InsPLAD-fault. O EfficientNet obteve a melhor acurácia balanceada geral, demonstrando seu potencial para cenários de inspeção em tempo real. Métodos de detecção de anomalias não-supervisionados, incluindo Autoencoder $L_2$, OGNet, DifferNet, CS-Flow, CFLOW-AD e PatchCore, também foram testados. DifferNet e CS-Flow apresentaram resultados promissores para a detecção de anomalias em componentes de linhas de energia.
Outra contribuição importante desta tese é um método para integrar blocos de atenção em canais e espacial em vários métodos de detecção de anomalias, incluindo DifferNet, EfficientAD, FastFlow, RD++ e SimpleNet. Os modelos aprimorados com atenção propostos, com módulos como SENet e CBAM, consistentemente superaram suas versões padrão e outros métodos base em diversos dataset, incluindo InsPLAD-fault, InsPLAD-seg, MVTec AD e o dataset de Wafers Semicondutores. A análise qualitativa usando Grad-CAM ratifica a eficácia dos módulos de atenção na melhoria da localização de defeitos em ambientes não-controlados.
Em resumo, esta pesquisa avança o campo da inspeção visual automatizada em múltiplos cenários, especialmente na manutenção de linhas de energia em ambientes não-controlados, ao propor datasets valiosos e modelos de detecção de anomalias. Ela também abre caminho para futuros desenvolvimentos em tecnologias de inspeção de defeitos "in-the-wild".

MEMBROS DA BANCA:
Externo à Instituição - DANNY KOWERKO - OUTRA
Externo à Instituição - FILIPE ROLIM CORDEIRO - UFRPE
Externo à Instituição - JOSE SCHIRMER SILVA - Unisinos
Presidente - 1133947 - SILVIO DE BARROS MELO
Interno - 1511095 - TSANG ING REN